【摘要】：滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械設(shè)備中的關(guān)鍵組成部分,為保證機(jī)械設(shè)備在長(zhǎng)時(shí)間、重負(fù)荷的情況下依然能夠可靠、高效地工作,對(duì)滾動(dòng)軸承開展?fàn)顟B(tài)監(jiān)測(cè)與故障診斷的研究就具有重大意義。因此本文針對(duì)滾動(dòng)軸承進(jìn)行了故障診斷方法的研究,重點(diǎn)對(duì)其中的故障特征提取、故障特征降維和故障診斷識(shí)別進(jìn)行了深入分析研究,提出了有效且完整的滾動(dòng)軸承故障診斷方法。在此基礎(chǔ)之上,將滾動(dòng)軸承故障診斷方法在異構(gòu)So C硬件平臺(tái)上完成了移植實(shí)現(xiàn),并對(duì)計(jì)算架構(gòu)的設(shè)計(jì)進(jìn)行了研究,驗(yàn)證了方法在異構(gòu)So C平臺(tái)上實(shí)現(xiàn)高性能計(jì)算的可行性與優(yōu)越性。具體研究?jī)?nèi)容如下:對(duì)比分析了多種滾動(dòng)軸承故障特征提取方法之后,選擇效果最優(yōu)的變分模態(tài)分解(Variational Mode Decomposition,VMD)方法來進(jìn)行初步故障特征的提取。在此基礎(chǔ)上,將奇異值分解(Singular Value Decomposition,SVD)應(yīng)用于初步故障特征的降維之中。在保證故障特征信息有效的情況下,大大降低了后續(xù)模型輸入訓(xùn)練的計(jì)算量。針對(duì)故障診斷識(shí)別方法,將在自然語言處理領(lǐng)域廣泛使用的隱馬爾科夫模型(Hidden Markov Model,HMM)應(yīng)用于滾動(dòng)軸承故障診斷領(lǐng)域。討論分析了HMM的相關(guān)概念與基本算法之后,結(jié)合實(shí)際信號(hào)特點(diǎn),對(duì)HMM模型中的特定參數(shù)采用高斯混合模型(Gaussian Mixed Model,GMM)擬合描述。從而對(duì)提取得到的故障特征進(jìn)行基于GMM-HMM的滾動(dòng)軸承故障模型構(gòu)建。通過不同的滾動(dòng)軸承實(shí)際數(shù)據(jù)來對(duì)本文提出的故障診斷方法進(jìn)行測(cè)試驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,采用VMD與SVD相結(jié)合的特征提取方法能夠?yàn)镚MM-HMM提供有效的訓(xùn)練特征樣本,配合GMM-HMM模型能夠快速完成滾動(dòng)軸承故障模型的訓(xùn)練,實(shí)現(xiàn)了對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)的準(zhǔn)確識(shí)別,保證了故障診斷的合理性與高效性。在基于Zynq-7000的異構(gòu)So C硬件平臺(tái)上,完成了滾動(dòng)軸承故障診斷方法的移植實(shí)現(xiàn),結(jié)合Lab VIEW的交互界面開發(fā),進(jìn)行了滾動(dòng)軸承故障診斷系統(tǒng)的設(shè)計(jì)。在此基礎(chǔ)上結(jié)合異構(gòu)So C平臺(tái)架構(gòu)特點(diǎn),針對(duì)滾動(dòng)軸承故障診斷方法,設(shè)計(jì)了適合于硬件加速的數(shù)據(jù)通路,將其中部分算法的計(jì)算工作交給硬件實(shí)現(xiàn)。驗(yàn)證了在異構(gòu)So C平臺(tái)上,對(duì)滾動(dòng)軸承故障診斷方法進(jìn)行硬件加速的可靠性與合理性,同時(shí)也為復(fù)雜算法在嵌入式平臺(tái)上實(shí)現(xiàn)高性能計(jì)算提供了一種設(shè)計(jì)參考。
【圖文】：

大負(fù)載的運(yùn)行過程中，出現(xiàn)故障現(xiàn)象的概率大大增加。一旦現(xiàn)象就是機(jī)械運(yùn)行過程中將出現(xiàn)異常的噪聲和劇烈的振動(dòng)。往同時(shí)表現(xiàn)出非平穩(wěn)和非線性的特征性質(zhì)，是一種復(fù)雜的多獲取有用信息。因此，采用信號(hào)處理手段來對(duì)原始信號(hào)進(jìn)行尤為重要。只有準(zhǔn)確地挖掘出振動(dòng)信號(hào)中包含故障特征，才故障診斷與模式識(shí)別打下堅(jiān)實(shí)的基礎(chǔ)。信號(hào)特征分析動(dòng)軸承故障診斷的過程中，，從原始振動(dòng)信號(hào)中提取出故障特。從圖 2-1 中可以看出滾動(dòng)軸承振動(dòng)信號(hào)具有較多的尖峰，很出故障特征信息。若直接將信號(hào)進(jìn)行變換到頻域上（如圖 2-出頻率分布十分廣泛，無法提取出明顯的故障特征。故采用的故障特征提取方法難以適應(yīng)在實(shí)際應(yīng)用中的各類復(fù)雜信號(hào)征提取困難。對(duì)此下文將分別采用了 EMD、EEMD、EWT、自適應(yīng)信號(hào)處理方法對(duì)滾動(dòng)軸承中采集獲得的振動(dòng)信號(hào)展開研究工作。

態(tài)分解概念D 方法拋棄傳統(tǒng)信號(hào)處理手段中采用固定基函數(shù)的思進(jìn)行分析處理，大大增強(qiáng)了適用范圍與魯棒性。通過復(fù)雜噪聲的原始信號(hào)中分解得到信號(hào)內(nèi)部的有用信息，ntrinsic Mode Function，IMF）。EMD 方法能夠顯著減弱與耦合作用，并針對(duì)如滾動(dòng)軸承振動(dòng)信號(hào)這類的非平穩(wěn)原理法的核心在于通過計(jì)算信號(hào)的極值并構(gòu)建出包絡(luò)信號(hào)反原理思路如下：信號(hào) x t 中提取出的所有極大值和極小值以三次樣條插而得到上下包絡(luò)曲線。記上下包絡(luò)的均值為1m ，則： x t m h
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫文;全惠敏;吳桂清;蔡勇超;;基于ARM和以太網(wǎng)接口的振動(dòng)信號(hào)采集系統(tǒng)設(shè)計(jì)[J];電源技術(shù);2015年09期

2 何廣堅(jiān);邢宗義;左成;張永;;基于EMD與SVM的城軌列車滾動(dòng)軸承故障診斷方法研究[J];鐵路計(jì)算機(jī)應(yīng)用;2015年08期

3 王凌偉;樊瑞;秦沖;趙君;;基于FPGA的振動(dòng)信號(hào)采集系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J];山西電子技術(shù);2015年03期

4 劉建強(qiáng);趙治博;章國平;王廣明;孟雙;任剛;;地鐵車輛轉(zhuǎn)向架軸承故障診斷方法研究[J];鐵道學(xué)報(bào);2015年01期

5 文成;周傳德;;基于SVD與改進(jìn)EMD的滾動(dòng)軸承故障診斷[J];機(jī)械科學(xué)與技術(shù);2014年05期

6 王國彪;何正嘉;陳雪峰;賴一楠;;機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J];機(jī)械工程學(xué)報(bào);2013年01期

7 李彥;梁正桃;李立京;林文臺(tái);尚靜;姜漫;;基于FPGA和DSP的微振動(dòng)傳感器信號(hào)采集系統(tǒng)設(shè)計(jì)[J];現(xiàn)代電子技術(shù);2012年20期

8 韓中合;韓悅;朱霄s

本文編號(hào)：2680494